LLM 기반 SysML v2 모델 정렬과 통합을 위한 프롬프트 설계

초록

본 논문은 SysML v2의 모듈성·형식 의미론을 활용하고, GPT‑4o와 같은 대형 언어 모델(LLM)을 프롬프트 기반으로 연계해 서로 다른 조직이 만든 시스템 모델을 의미적으로 정렬·통합하는 절차를 제안한다. 핵심은 ‘소프트 정렬(soft alignment)’ 개념을 채택하고, 단계별 프롬프트와 인간 검증을 결합해 추출·매칭·검증·패키징 과정을 반복함으로써 결과의 일관성, 추적성, 신뢰성을 확보하는 것이다. 측정 시스템 사례를 통해 구현 가능성을 입증하고, 장점과 한계도 논의한다.

상세 분석

이 연구는 현재 MBSE 환경에서 조직 간 모델의 구조·의미 불일치가 협업 비용을 급증시키는 문제를 정확히 짚어낸다. SysML v2가 제공하는 텍스트 기반 모델링, 별칭(alias), import, 메타데이터 확장 등은 기존 UML‑프로파일 기반 SysML v1에 비해 형식 의미론이 명확하고 모듈화가 용이해, 자동화와 검증에 적합한 기반을 제공한다. 논문은 이러한 언어적 특성을 LLM의 자연어 처리 능력과 결합하기 위해 ‘프롬프트‑드리븐’ 접근법을 설계한다.

핵심 기법은 크게 네 단계로 나뉜다. 첫째, 기존 SysML v2 모델을 기계가 읽을 수 있는 JSON 형태로 추출하고, 메타데이터와 별칭 정보를 보존한다. 둘째, 추출된 요소와 도메인 문서(요구사항, 설계 설명)를 LLM에 제공하여 의미적 매칭을 수행한다. 여기서 LLM은 유사도 기반 매칭뿐 아니라, 도메인 특화 확장 라이브러리를 활용해 ‘allocation’, ‘allocation‑type’ 등 기존 관계를 보강한다. 셋째, 매칭 결과에 대해 confidence score와 매핑 근거를 자동 주석으로 삽입하고, 인간 전문가가 검증·수정한다. 넷째, 검증된 매핑을 기반으로 새로운 패키지를 ‘alias/import’ 구조로 생성해 원본 모델을 손상시키지 않고 확장한다(soft alignment).

이 과정에서 반복적 설계와 테스트를 적용한 점이 눈에 띈다. 초기 프롬프트는 비결정적 출력과 hallucination 문제를 드러냈으며, 이를 해결하기 위해 프롬프트를 단계별로 세분화하고, 각 단계마다 검증 체크포인트를 두었다. 또한, 출력 추적성을 확보하기 위해 입력‑출력 매핑 로그, confidence score, 그리고 LLM이 사용한 근거 문장을 메타데이터에 기록한다. 이러한 설계는 엔지니어링 프로세스에서 요구되는 ‘traceability’와 ‘verification’ 요구사항을 충족한다는 점에서 의미가 크다.

하지만 논문은 몇 가지 한계도 명시한다. 실험이 제한된 두 개의 모델(OEM·Supplier 측정 시스템)만을 대상으로 했으며, 확장 라이브러리 구축에 상당한 초기 도메인 지식이 필요하다. 또한, LLM의 최신 버전이 바뀔 경우 프롬프트 재조정이 필요하고, 대규모 모델에 대한 성능·스케일링 검증이 부족하다. 그럼에도 불구하고, LLM과 SysML v2의 결합이 MBSE 협업에 새로운 자동화·지원 패러다임을 제시한다는 점은 충분히 설득력 있다.